La tecnología de radar de apertura sintética interferométrica (InSAR) en series temporales puede obtener deformaciones en un área amplia. Se ha utilizado con éxito en la monitorización de desastres geológicos, evaluación de la seguridad de infraestructuras urbanas, y monitorización de laderas en áreas mineras. Sin embargo, el gran volumen de series temporales de deformación obtenido mediante la técnica InSAR plantea un gran desafío para la interpretación de los campos de deformación. La clasificación automática de grandes cantidades de deformaciones temporales es de gran importancia para la interpretación de la información de deformación y la detección oportuna de señales de peligro. En este artículo se propone un método de clustering profundo de deformación temporal InSAR basado en aprendizaje contrastivo auto-supervisado. Al introducir el marco de aprendizaje contrastivo auto-supervisado, se fortalece la capacidad del modelo para clusterizar datos sin etiquetar. En respuesta a las deficiencias de los métodos de aumento de datos de series temporales en la captura de la invariancia de las transformaciones de series temporales, este estudio propone una estrategia de aumento de datos basada en la consistencia de formas rotativas. Esta estrategia, a través de la rotación de los datos originales de series temporales a diferentes ángulos, conserva efectivamente la similitud de la forma de las series temporales, mejorando la precisión y la robustez del clustering. En el conjunto de datos de validación, el método propuesto en este artículo mejoró el 25.8% y el 16.3% respectivamente en términos de precisión de clustering y valor de información mutua normalizada en comparación con el método K-means tradicional. En comparación con el método K-shape, el método propuesto en este artículo muestra una mayor precisión en la captura de características de series temporales y la medición de la similitud de series temporales. Además, este estudio utiliza datos de series temporales de elevación de la misión Sentinel-1 que cubren la presa de colas de relaves de KaFang en la ciudad de Gejiu, provincia de Yunnan, entre enero de 2020 y octubre de 2022, extraídos para validar el método propuesto en este documento. Se realizó un análisis de clustering de las deformaciones temporales obtenidas y se obtuvo un resultado de clustering fiable, lo que demuestra que este método puede clasificar eficazmente las series temporales de deformación InSAR.

Aprendizaje auto-supervisado; Aprendizaje contrastivo; Aumento de datos; Clustering profundo; Análisis de series temporales; Clustering de deformación; Representación de características; InSAR de series temporales